Food quality evaluation in drying: Structuring of measurable food attributes into multi-dimensional fuzzy sets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Food quality is a fuzzy category, which could be evaluated using fuzzy logic. Our approach to food quality evaluation is based on mapping food quality attributes into a fuzzy domain as a multi-dimensional fuzzy sets. First, the data representing quality attributes are mapped into orthogonal coordinates using PCA to reduce dimensionality. Second, subtractive clustering (SC) is applied to determine a representative number of clusters. Each point in the dataset is associated with each cluster by credibilistic fuzzy C-means clustering (CFCM). After data organized in fuzzy clusters, an artificial neural network (ANN) is trained to associate each point in the dataset with its membership degree in each cluster. Trained ANN serves as a predictive model to convert real-time data stream into the multi-dimensional fuzzy domain. The application of this methodology is illustrated for real-time quality evaluation in shrimp batch drying. In this study 27 quality attributes have been merged into 9 orthonormal vectors, which have been clustered into 10 fuzzy sets. This structuring of the experimental fuzzy domain allowed the development of a multi-dimensional kinetic model, which improved the quality of shrimp drying. The computational time for quality identification in the fuzzy domain is below 1 sec, which is satisfactory for most real-time applications. This data-driven algorithm is completely automated and has unlimited potential for real-time fuzzy control and optimization.HighlightsMulti-dimensional fuzzy sets are unique identifiers of food qualityExtracting principal information in orthonormal coordinatesUsing the artificial neural network for predicting membership functionsA multi-dimensional fuzzy kinetics model was developedStructuring of fuzzy domain decreased computational time for fuzzy control
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle